基于深度信息的巡逻机器人避障系统实现

针对巡逻机器人的避障导航,基于Realsense深度摄像头获取环境深度信息,在使用机载计算机对深度图像进行分层处理的基础上,设计了巡逻机器人避障导航系统,同时对巡逻机器人通信协议以及决策流程等进行了改进设计,最后在ROS机器人开源操作系统上对其进行实验及验证。实验结果表明,在相同环境下,该方法能使巡逻机器人快速、安全、有效地避开静态障碍物而到达目标点。该方法不仅能够提高避障的成功率,获得实时避障效果,而且能够降低巡逻机器人的数据处理量,有利于巡逻机器人的移植。     

适用于嵌入式平台的E-YOLO人脸检测网络研究

针对现有人脸检测深度学习算法计算量大,难以移植到嵌入式平台,无法满足移动设备实时性和便捷性需求的问题,提出一种基于YOLO(You Only Look Once)算法的适用于嵌入式平台的小型人脸检测网络E-YOLO(Enhance-YOLO)。借鉴YOLO算法的思想,将人脸检测问题转换为回归问题,将待检测的图像均分为S×S个单元格,每个单元格检测落在单元格内的目标。通过修改YOLO网络模型中的卷积神经网络结构,提高其检测的准确性,同时减少网络结构中卷积核的数目,降低模型的大小。实验结果表明,E-YOLO模型大小为43MB,视频的检测帧率为26FPS,在WIDERFACE和FDDB数据集上均有较高的准确率和检测速度,可以实现在嵌入式平台下的实时人脸检测。